幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

Python路徑規劃與決策演算法

  • 作者：張良康|責編:劉雲//蒲玉茜
  • 出版社：北京大學
  • ISBN：9787301366738
  • 出版日期：2025/11/01
  • 裝幀：平裝
  • 頁數：404
人民幣：RMB 119 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書詳細講解了基於Python語言實現自動駕駛路徑規劃與決策演算法的知識，並通過具體實例展示了這些演算法的使用方法。
    本書共10章，依次講解了Dijkstra演算法、A*演算法、Bellman-Ford演算法、Floyd-Warshall演算法、D*演算法、D*Lite演算法、RRT演算法、其他路徑規劃演算法、智能行為決策演算法、基於SLAM的自主路徑導航系統。書中詳細介紹了各種經典路徑規劃與決策演算法的背景、原理、實現步驟及實際應用，通過豐富的案例分析和綜合實戰項目，給出了詳細的編程實現和優化技巧，是路徑規劃和人工智慧領域的研究人員及相關專業學生學習和實踐路徑規劃演算法的理想之書。
    本書適用於已經了解了Python基礎開發的讀者，以及想進一步學習自動駕駛、路徑規劃和汽車導航的讀者，也可以作為大專院校相關專業的師生用書和培訓學校的專業性教材。
作者介紹
張良康|責編:劉雲//蒲玉茜
    張良康，山東工業大學電腦博士，機械工程專家。作者熟悉電腦圖形學，理論知識紮實深厚，精通計算幾何相關理論，熟悉常用的GIS分析演算法及原理，精通路徑規劃的相關演算法。目前就職于南京領行科技，主導T3出行項目的研發工作，負責地圖數據處理開發、地理信息數據分析與挖掘、導航路徑規劃、路徑還原服務的研發及優化工作，參與了面向出行網約車場景的導航路徑規劃引擎系統（路線規劃、導航引導、定位、交通路況等）的研發工作。
目錄
第1章  Dijkstra演算法
  1.1  Dijkstra演算法簡介
    1.1.1  背景與歷史
    1.1.2  應用領域與典型場景
  1.2  Dijkstra演算法的核心思想
    1.2.1  Dijkstra演算法的實現步驟
    1.2.2  Dijkstra演算法的圖表示方法
  1.3  Dijkstra演算法的應用案例
    1.3.1  交通網路中的最短路徑規劃
    1.3.2  Dijkstra演算法在機器人導航系統中的應用
  1.4  Dijkstra演算法的局限性與改進方法
    1.4.1  負權邊問題
    1.4.2  大規模圖的計算效率
  1.5  綜合實戰：校園地圖路徑規劃系統
    1.5.1  項目介紹
    1.5.2  Dijkstra路徑規劃
    1.5.3  路線導覽
    1.5.4  主程序
  1.6  綜合實戰：尋找地圖中的最短導航路線
    1.6.1  項目介紹
    1.6.2  具體實現
第2章  A*演算法
  2.1  A*演算法簡介
    2.1.1  A*演算法的背景與歷史
    2.1.2  應用領域與典型場景
  2.2  A*演算法的核心思想
    2.2.1  A*演算法的原理和實現步驟
    2.2.2  選擇啟髮式函數（估算函數）
  2.3  A*演算法的優化
    2.3.1  基本的優化措施
    2.3.2  Hybrid A*演算法優化
  2.4  綜合實戰：基於A*演算法的汽車導航路徑規劃系統
    2.4.1  項目介紹
    2.4.2  具體實現
第3章  Bellman-Ford演算法
  3.1  Bellman-Ford演算法介紹
    3.1.1  背景與歷史
    3.1.2  應用領域與典型場景
    3.1.3  Bellman-Ford演算法與其他路徑規劃演算法的對比
  3.2  Bellman-Ford演算法的核心思想
    3.2.1  圖的表示方法
    3.2.2  Bellman-Ford演算法的原理
    3.2.3  Bellman-Ford演算法的實現步驟
  3.3  Bellman-Ford演算法的應用案例
    3.3.1  負權邊的最短路徑問題
    3.3.2  自動駕駛應用
  3.4  Bellman-Ford演算法的局限性與改進方法
    3.4.1  負權迴路的處理
    3.4.2  大規模圖的計算效率
  3.5  綜合實戰：尋找地圖中建築物的最短距離

    3.5.1  項目介紹
    3.5.2  具體實現
  3.6  綜合實戰：路徑演算法性能分析與可視化
    3.6.1  項目介紹
    3.6.2  具體實現
  3.7  綜合實戰：基於Flask Web的路徑規劃可視化
    3.7.1  項目介紹
    3.7.2  路徑規劃
    3.7.3  Flask可視化
    3.7.4  模板文件
    3.7.5  腳本文件
第4章  Floyd-Warshall演算法
  4.1  Floyd-Warshall演算法簡介
    4.1.1  背景與歷史
    4.1.2  應用領域與典型場景
  4.2  Floyd-Warshall演算法的核心思想
    4.2.1  基本思想
    4.2.2  圖的表示方法
    4.2.3  Floyd-Warshall演算法的實現步驟
    4.2.4  Floyd-Warshall演算法的推導過程
    4.2.5  Floyd-Warshall演算法與其他路徑規劃演算法的對比
  4.3  Floyd-Warshall演算法的應用案例
    4.3.1  自駕線路規劃
    4.3.2  城市交通規劃應用
  4.4  Floyd-Warshall演算法的局限性與改進方法
    4.4.1  演算法複雜度與大規模圖的挑戰
    4.4.2  負權迴路的處理策略
    4.4.3  並行Floyd-Warshall
  4.5  綜合實戰：高速公路路線查詢系統
    4.5.1  背景介紹
    4.5.2  交通路網數據
    4.5.3  尋找最短路徑
第5章  D*演算法
  5.1  動態路徑規劃演算法簡介
    5.1.1  靜態路徑規劃演算法和動態路徑規劃演算法
    5.1.2  動態路徑規劃演算法的誕生背景
    5.1.3  動態路徑規劃演算法的應用領域與場景
    5.1.4  常用的動態路徑規劃演算法
  5.2  D*演算法介紹
    5.2.1  D*演算法的發展歷程
    5.2.2  D*演算法的原理和實現步驟
  5.3  綜合實戰：自動駕駛中的動態障礙物處理
    5.3.1  實例介紹
    5.3.2  具體實現
  5.4  綜合實戰：基於D*演算法的自動駕駛路徑導航系統
    5.4.1  背景介紹
    5.4.2  具體實現
第6章  D* Lite演算法
  6.1  D* Lite演算法簡介
    6.1.1  D* Lite演算法的誕生背景和發展歷程

    6.1.2  D* Lite演算法的應用領域與場景
  6.2  D* Lite演算法的核心思想
    6.2.1  基本思想
    6.2.2  D* Lite演算法的實現步驟
    6.2.3  D* Lite演算法的基本概念
  6.3  綜合實戰：基於D* Lite的路徑規劃器
    6.3.1  項目介紹
    6.3.2  實現路徑規劃演算法
  6.4  綜合實戰：D* Lite路徑規劃器
    6.4.1  項目介紹
    6.4.2  實現路徑規劃演算法
    6.4.3  路徑規劃可視化
第7章  RRT演算法
  7.1  RRT演算法介紹
    7.1.1  機器人運動規劃介紹
    7.1.2  改進的RRT演算法
    7.1.3  與RRT演算法相關的概念
  7.2  RRT演算法的定義與實現
    7.2.1  RRT演算法的實現步驟
    7.2.2  原始的RRT演算法
  7.3  綜合實戰：基於Pygame的RRT路徑規劃系統
    7.3.1  項目介紹
    7.3.2  通用文件
    7.3.3  事件處理
    7.3.4  點處理
    7.3.5  碰撞檢測
    7.3.6  繪圖操作
    7.3.7  RRT演算法
    7.3.8  主程序
  7.4  綜合實戰：基於Gazebo模擬的路徑規劃系統
    7.4.1  項目介紹
    7.4.2  實現RRT、RRT*和RRT*-FN演算法
第8章  其他路徑規劃演算法
  8.1  PRM演算法
    8.1.1  PRM演算法介紹
    8.1.2  PRM演算法實戰
  8.2  LQR演算法
    8.2.1  LQR演算法介紹
    8.2.2  LQR演算法實戰
  8.3  DWA演算法
    8.3.1  DWA演算法介紹
    8.3.2  DWA演算法實戰
  8.4  Best-First Search演算法
    8.4.1  Best-First Search演算法的基本思想
    8.4.2  Best-First Search演算法的實現步驟
    8.4.3  尋找兩個城市之間的最短路徑
第9章  智能行為決策演算法
  9.1  智能行為決策演算法簡介
    9.1.1  智能行為決策演算法的誕生背景與發展歷程
    9.1.2  智能行為決策演算法在自動駕駛中的應用

  9.2  常用的智能行為決策演算法
    9.2.1  馬爾科夫決策過程
    9.2.2  強化學習
    9.2.3  規則引擎與決策樹
    9.2.4  模型預測控制
  9.3  綜合實戰：基於自動駕駛大模型的車輛軌跡預測系統
    9.3.1  項目介紹
    9.3.2  準備工作
    9.3.3  EDA數據探索
    9.3.4  PyTorch訓練
    9.3.5  推理
    9.3.6  訓練參數探索
    9.3.7  數據增強
第10章  基於SLAM的自主路徑導航系統
  10.1  背景介紹
  10.2  項目介紹
  10.3  公用文件
    10.3.1  數學運算
    10.3.2  偽隨機數生成器
  10.4  障礙物和邊界檢測
    10.4.1  檢測全局障礙物和邊界
    10.4.2  檢測本地障礙物和邊界
  10.5  路徑規劃
    10.5.1  跟牆壁行駛
    10.5.2  A*演算法路徑規劃
    10.5.3  RRT演算法

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032